CN108154122A - 一种基于图像的车标识别方法 - Google Patents
一种基于图像的车标识别方法 Download PDFInfo
- Publication number
- CN108154122A CN108154122A CN201711434252.5A CN201711434252A CN108154122A CN 108154122 A CN108154122 A CN 108154122A CN 201711434252 A CN201711434252 A CN 201711434252A CN 108154122 A CN108154122 A CN 108154122A
- Authority
- CN
- China
- Prior art keywords
- logo
- image
- candidate region
- classification
- identification method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/469—Contour-based spatial representations, e.g. vector-coding
- G06V10/473—Contour-based spatial representations, e.g. vector-coding using gradient analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于图像的车标识别方法,包括以下步骤:根据图像中车牌特征定位出车牌位置;根据车牌位置找出车标候选区域;利用车标的纹理信息在车标候选区域中搜索车标精确位置;用神经网络分类器对车标图像进行分类判断,得到车标分类评分结果;对分类评分结果分值进行阈值判断得到车标类型。本发明有益效果:利用道路监控图像,自动找到车牌位置,然后进行车牌识别;支持114种车标类型的识别,包括了路面绝大多数种类的车标类型;本方法具有较高的正确率和较低的误检率,并且由于使用了首先定位车牌位置,确认车标候选区域,减小了算法计算量,算法具有较高的运行效率。
Description
技术领域
本发明属于车标识别技术领域,尤其是涉及一种基于图像的车标识别方法。
背景技术
随着社会经济的发展,机动车保有量急剧增加,涉车违法犯罪愈加猖獗并有逐年上升的趋势,例如:肇事逃逸,车辆假牌,车辆套牌,机动车超速等等现象层出不穷。车标是车辆难以更改的一个重要标志,将车标识别与车牌号码识别结合起来,可以大大提高车辆识别的可靠性,通过对比车牌与车标信息是否一致可以对现实中的***等违法行为的进行有效的检测与监控。然而,现有车标识别方法中,大多都存在计算量繁杂,正确率低下,效率不够高等问题。
发明内容
有鉴于此,本发明旨在提出一种基于图像的车标识别方法,以解决上述问题的不足之处。
为达到上述目的,本发明的技术方案是这样实现的:
一种基于图像的车标识别方法,包括以下步骤:
A.根据道路监控图像中车牌特征定位出车牌位置;
B.根据车牌位置找出车标候选区域;
C.利用车标的纹理信息在车标候选区域中搜索车标精确位置;
D.用神经网络分类器对车标图像进行分类判断,得到车标分类评分结果;
E.对分类评分结果分值进行阈值判断得到车标类型。
进一步的,步骤A中根据图像中车牌特征定位出车牌位置的方法如下:
A1.首先根据车牌区域中的纹理特征,提取道路监控图像中的边缘并二值化;
A2.然后对得到的二值图像进行数学形态学的运算,使得车牌区域形成一个闭合的连通区域;
A3.最后通过车牌的几何特征对得到的候选区域进行筛选,最终得到车牌区域。
进一步的,步骤C中,使用sobel算子对车标候选区域分别进行水平与垂直边缘检测,通过水平梯度、垂直梯度与联通区域信息定位出车标位置。
进一步的,步骤D中,对所述车标图像进行归一化后提取HOG特征,得到车标特征向量,使用神经网络分类器对候选区域提取的车标特征向量进行判别,得到车标分类评分结果。
进一步的,提取HOG特征的过程如下:
D1.输入归一化的车标图像后计算梯度;
D2.对每一个单元块的梯度进行方向投影;
D3.相邻单元块进行对比度归一化;
D4.将所有单元块的向量组成一维长向量。
进一步的,神经网络分类器的训练过程如下:
a.对车标分类图像进行特征向量提取;
b.根据神经网络训练神经网络分类器并保存模型。
相对于现有技术,本发明所述的基于图像的车标识别方法具有以下优势:
本发明所述的基于图像的车标识别方法利用道路监控图像,自动找到车牌位置,然后进行车牌识别;支持114种车标类型的识别,包括了路面绝大多数种类的车标类型;本方法具有较高的正确率和较低的误检率,并且由于使用了首先定位车牌位置,确认车标候选区域,减小了算法计算量,算法具有较高的运行效率。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述的基于图像的车标识别方法流程图;
图2为本发明实施例所述的提取HOG特征的流程图;
图3为本发明实施例所述的神经网络训练与识别的流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
如图1所示,一种基于图像的车标识别方法,包括以下步骤:
A.根据道路监控图像中车牌特征定位出车牌位置;
B.根据车牌位置找出车标候选区域,具体过程为,车牌坐标为(x,y,w,h),其中,x为区域左边坐标,y为区域上边坐标,w为区域宽度,h为区域高度。情况1,车牌类型为大型汽车车牌车标候选区域为:(x-w,y-2.5*w,3*w,2.5*w);情况2,车牌为小型汽车车牌车标候选区域为:(x-0.1w,y-1.5*w,1.2*w,1.5*w)。
C.利用车标的纹理信息在车标候选区域中搜索车标精确位置;
D.用神经网络分类器对车标图像进行分类判断,得到车标分类评分结果;
E.对分类评分结果分值进行阈值判断得到车标类型。
步骤A中根据图像中车牌特征定位出车牌位置的方法如下:
A1.首先根据车牌区域中的纹理特征,提取道路监控图像中的边缘并二值化,对道路监控图像进行边缘检测,由于车牌的字符纹理和车牌的边缘纹理特征比较密集并且是长方形形状,找到这样的特征区域即为车牌区域;
A2.然后对得到的二值图像进行数学形态学的运算,使得车牌区域形成一个闭合的连通区域;
A3.最后通过车牌的几何特征对得到的候选区域进行筛选,最终得到车牌区域。
步骤C中使用sobel算子对车标候选区域分别进行水平与垂直边缘检测,通过水平梯度、垂直梯度与联通区域信息定位出车标位置,具体过程如下:对车标候选区域内使用sobel算子进行纹理检测,分别进行水平和垂直投影,计算投影能量平均值,记录所有大于平均值的波峰,计算每个波峰能量值为E,波峰区间长度为L,每个波峰权重计算公式为:E/L+10*L,取权重最大波峰为车标水平范围和垂直范围。
步骤D中对所述车标图像进行归一化后提取HOG特征,取参bin为9、cell为4、step为10、block为9,得到车标特征向量,使用神经网络分类器对候选区域提取的车标特征向量进行判别,得到车标分类评分结果,具体过程如下:使用训练好的神经网络模型得到分类评分,查找分类分值中得分最高值MAX1,得分第二高分值MAX2,分类置信度按照如下计算,如果MAX1-MAX2小于0.13置信度取0,如果MAX1-MAX2大于0.13取(MAX1-MAX2-0.13)/(1-0.13)+MAX1*0.3,如果最置信度大于0.5,则认为识别的车标为得分为MAX1的车标类型。
如图2所示,提取HOG特征的过程如下:
D1.输入归一化的车标图像后计算梯度;
D2.对每一个单元块的梯度进行方向投影;
D3.相邻单元块进行对比度归一化;
D4.将所有单元块的向量组成一维长向量。
如图3所示,神经网络分类器的训练过程如下:
a.对车标分类图像进行特征向量提取;
b.根据神经网络训练神经网络分类器并保存模型。
神经网络分类器的识别过程如下:
Ⅰ.对输入的车标图像进行特征向量提取;
Ⅱ.利用神经网络分类器加载模型并对步骤Ⅰ得到的特征向量进行识别;
Ⅲ.输出车标分类评分结果;
Ⅳ.通过阈值判断得到车标类型。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于图像的车标识别方法,其特征在于,包括以下步骤:
A.根据道路监控图像中车牌特征定位出车牌位置;
B.根据车牌位置找出车标候选区域;
C.利用车标的纹理信息在车标候选区域中搜索车标精确位置;
D.用神经网络分类器对车标图像进行分类判断,得到车标分类评分结果;
E.对分类评分结果分值进行阈值判断得到车标类型。
2.根据权利要求1所述的一种基于图像的车标识别方法,其特征在于,步骤A中根据图像中车牌特征定位出车牌位置的方法如下:
A1.首先根据车牌区域中的纹理特征,提取道路监控图像中的边缘并二值化;
A2.然后对得到的二值图像进行数学形态学的运算,使得车牌区域形成一个闭合的连通区域;
A3.最后通过车牌的几何特征对得到的候选区域进行筛选,最终得到车牌区域。
3.根据权利要求1所述的一种基于图像的车标识别方法,其特征在于:步骤C中使用sobel算子对车标候选区域分别进行水平与垂直边缘检测,通过水平梯度、垂直梯度与联通区域信息定位出车标位置。
4.根据权利要求1所述的一种基于图像的车标识别方法,其特征在于:步骤D中对所述车标图像进行归一化后提取HOG特征,得到车标特征向量,使用神经网络分类器对候选区域提取的车标特征向量进行判别,得到车标分类评分结果。
5.根据权利要求4所述的一种基于图像的车标识别方法,其特征在于,提取HOG特征的过程如下:
D1.输入归一化的车标图像后计算梯度;
D2.对每一个单元块的梯度进行方向投影;
D3.相邻单元块进行对比度归一化;
D4.将所有单元块的向量组成一维长向量。
6.根据权利要求1所述的一种基于图像的车标识别方法,其特征在于,神经网络分类器的训练过程如下:
a.对车标分类图像进行特征向量提取;
b.根据神经网络训练神经网络分类器并保存模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711434252.5A CN108154122A (zh) | 2017-12-26 | 2017-12-26 | 一种基于图像的车标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711434252.5A CN108154122A (zh) | 2017-12-26 | 2017-12-26 | 一种基于图像的车标识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108154122A true CN108154122A (zh) | 2018-06-12 |
Family
ID=62461969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711434252.5A Pending CN108154122A (zh) | 2017-12-26 | 2017-12-26 | 一种基于图像的车标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108154122A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112584033A (zh) * | 2019-09-29 | 2021-03-30 | 浙江宇视科技有限公司 | 图像采集参数调节方法、装置及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310231A (zh) * | 2013-06-24 | 2013-09-18 | 武汉烽火众智数字技术有限责任公司 | 车标定位与识别方法 |
CN103870803A (zh) * | 2013-10-21 | 2014-06-18 | 北京邮电大学 | 一种基于粗定位与精定位融合的车牌识别方法和*** |
CN104182728A (zh) * | 2014-07-26 | 2014-12-03 | 佳都新太科技股份有限公司 | 一种基于模式识别的车标自动定位与识别方法 |
CN105825212A (zh) * | 2016-02-18 | 2016-08-03 | 江西洪都航空工业集团有限责任公司 | 一种基于Hadoop的分布式车牌识别方法 |
CN103077384B (zh) * | 2013-01-10 | 2016-08-31 | 北京万集科技股份有限公司 | 一种车标定位识别的方法与*** |
CN107133616A (zh) * | 2017-04-02 | 2017-09-05 | 南京汇川图像视觉技术有限公司 | 一种基于深度学习的无分割字符定位与识别方法 |
-
2017
- 2017-12-26 CN CN201711434252.5A patent/CN108154122A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077384B (zh) * | 2013-01-10 | 2016-08-31 | 北京万集科技股份有限公司 | 一种车标定位识别的方法与*** |
CN103310231A (zh) * | 2013-06-24 | 2013-09-18 | 武汉烽火众智数字技术有限责任公司 | 车标定位与识别方法 |
CN103870803A (zh) * | 2013-10-21 | 2014-06-18 | 北京邮电大学 | 一种基于粗定位与精定位融合的车牌识别方法和*** |
CN104182728A (zh) * | 2014-07-26 | 2014-12-03 | 佳都新太科技股份有限公司 | 一种基于模式识别的车标自动定位与识别方法 |
CN105825212A (zh) * | 2016-02-18 | 2016-08-03 | 江西洪都航空工业集团有限责任公司 | 一种基于Hadoop的分布式车牌识别方法 |
CN107133616A (zh) * | 2017-04-02 | 2017-09-05 | 南京汇川图像视觉技术有限公司 | 一种基于深度学习的无分割字符定位与识别方法 |
Non-Patent Citations (2)
Title |
---|
WASIN THUBSAENG ET AL.: ""Vehicle logo detection using convolutional neural network and pyramid of histogram of oriented gradients"", 《IEEE》 * |
蒋秉洁 等: "《安全与畅通》", 31 December 2004 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112584033A (zh) * | 2019-09-29 | 2021-03-30 | 浙江宇视科技有限公司 | 图像采集参数调节方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | A coarse-to-fine model for rail surface defect detection | |
CN106056086B (zh) | 基于快速学习框架的车辆品牌型号识别方法 | |
CN103832433B (zh) | 车道偏离及前车防碰撞报警***及其实现方法 | |
CN101398894B (zh) | 机动车车牌自动识别方法及其实现装置 | |
CN107590492B (zh) | 一种基于卷积神经网络的车标定位与识别方法 | |
CN103745224B (zh) | 基于图像的铁路接触网鸟窝异常情况检测方法 | |
CN104933710B (zh) | 基于监控视频下的商店人流轨迹智能分析方法 | |
Huang et al. | An intelligent strategy for checking the annual inspection status of motorcycles based on license plate recognition | |
CN103246876B (zh) | 基于图像特征比对的车辆套牌识别方法 | |
CN105095856B (zh) | 基于掩模的有遮挡人脸识别方法 | |
CN102163287B (zh) | 一种基于类Haar特征和支持向量机的车牌字符识别方法 | |
CN111260629A (zh) | 基于图像处理的受电弓结构异常检测算法 | |
CN105335743A (zh) | 一种车牌识别方法 | |
CN106251635A (zh) | 一种套牌嫌疑车牌号的识别方法及*** | |
CN106650553A (zh) | 车牌识别方法及*** | |
CN105740886B (zh) | 一种基于机器学习的车标识别方法 | |
CN110047070B (zh) | 一种轨道磨损程度的识别方法及*** | |
CN104951784A (zh) | 一种车辆无牌及车牌遮挡实时检测方法 | |
CN103903018A (zh) | 一种复杂场景中对车牌进行定位的方法和*** | |
CN103413119A (zh) | 基于人脸稀疏描述子的单样本人脸识别方法 | |
CN101859382A (zh) | 一种基于最大稳定极值区域的车牌检测与识别的方法 | |
US9087263B2 (en) | Vision based pedestrian and cyclist detection method | |
CN102411709A (zh) | 一种虹膜分割识别方法 | |
CN103390167A (zh) | 一种多特征的分层交通标志识别方法 | |
CN107274668A (zh) | 一种基于车辆检测的道路拥堵建模方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180612 |
|
RJ01 | Rejection of invention patent application after publication |